Ubuntu 12.04 - OCR documenti con Tesseract

Dettagli

Categoria: Ubuntu

Pubblicato Lunedì, 06 Aprile 2015 07:58

Scritto da Super User

Visite: 4011

È possibile prelevare da un immagine il testo contenuto in essa con Ubuntu? 

Quali programmi ci occorono per eseguire la conversione?

Per poter estrapolare dall' immagine il testo che vi è presente bisogna utilizzare la tecnologia OCR (Optical Caracter Recognition), che consente di riconoscere i caratteri dell' immagine e di poterli utilizzare come testo editabile e quindi modificabile.

In questo modo e possibile estrapolare da documenti cartacei digitalizzati dallo scanner quello che ci serve senza avere il peso dell' immagine.

Analizziamo i programmi che ci servono per questa operazione il programma «Tesseract-ocr» prelevabile dai repository di ubuntu ch'è il vero motore di tutto; «Xsane» programma per l'aquisizione dello scanner, «gImageReader».

Prima fase scarichiamo dai repository di Ubuntu Tesseract, imagemagick e xsane: si può utilizzare la parte grafica utilizzando il gestore di pacchetti oppure attraverso il terminale

attraverso il terminale è più semplice, aprite il terminale utilizzando la combinazione di tasti «Ctrl + Alt + T» scrivete «sudo su» e digitate la password (non si vede mentre scrivete per ragioni di sicurezza) poi selezionate la riga sottostante o riscrivetela.

apt-get install tesseract-ocr tesseract-ocr-ita xsane imagemagick

Parte Due preleviamo l'interfaccia grafica gImageReader dall'indirizzo di sourceforge.net scarichiamo il file Deb e lo installiamo all'interno del sistema o attraverso Gdebi oppure attraverso il terminale in questo modo 

wget -O gimagereader_0.8.1-1_all.deb http://sourceforge.net/projects/gimagereader/files/0.8.1/gimagereader_0.8.1-1_all.deb/download

dpkg -i gimagereader_0.8.1-1_all.deb

apt-get -f install; rm gimagereader_0.8.1-1_all.deb

Per i nuovi aggiornamenti di tesseract si può utilizzare il repository si Sandro Mani

add-apt-repository ppa:sandromani/gimagereader
apt-get update
apt-get install gimagereader tesseract-ocr tesseract-ocr-ita

troverete l'applicazione nel menu «Grafica»  

Abbiamo praticamente finito i programmi che ci servono sono presenti allinterno del computer e vediamo come utilizzarli.

Apriamo il programma Xsane per una scansione della pagina e settate il formato immagine in «TIFF», la risoluzione a 600 almeno, e il formato binario come nella foto sotto e poi premete «Acquisisci»

 Carichiamo l'immagine all'interno di «gimagereader» settiamo il riconoscimento italiano o della lingua che v'interessa, selezioniamo il testo che vogliamo convertire e premiamo il tasto «riconoscere selezione» 

 Si vedra sulla destra il testo selezionato che si puo salvare oppure copiare in qualche documento 

• < Prec
• Succ >